简介

  Semi-supervised learning with generative adversarial networks.Cited-268。还是借助大佬的开源：sgan，这大佬的仓库里一堆的gan及变种，Star-5.5k。

关键字

  GAN，SGAN，生成模型，深度学习，半监督学习，机器学习

正文

1. 目标和思路

  本文目标有两个：一是半监督分类任务，二是提高生成器的图片质量。其思路是在GAN的基础上把判别器改成分类器来提高生成器和分类器的性能。

  原有GAN的判别器是二分类器，区别真假样本，现在多了一些带标签的样本后，假设这些样本有K类，那么把判别器改为K+1类的分类器，第K+1类为异常类，对应生成器生成的伪样本，这样的GAN文献内称为SGAN。

  训练SGAN时，按照GAN那样交替训练，更新判别器参数时真实样本按照其标签类别计算，生成样本按照异常类标签类别计算即可更新 参数；接下来是生成器的参数更新，原论文没提怎么更新，合计了下，猜想是按照1~K中随机选择一个作为其标签来操作的。

  然后看了下大佬的开源，结果看到判别器有两个输出，一个是二分类的输出，一个是K+1分类器的输出，计算判别器参数更新的损失是，二分类损失+多分类损失；计算生成器参数更新的损失，用二分类的输出来计算。

  不知道我的理解和开源代码的理解哪个正确，反正论文没写明，有机会跑下实验看看，应该是开源正确概率大些，毕竟人家实现了哈，应该有实验结果支撑。

2. 算法

  如图（来自文献Algorithm1）：

算法.png

3. 效果

  SGAN的目标有两个，一个是提高生成器质量，如图（文献Figure1），说明在图片中：

生成效果.png

  第二个目标是提高分类器性能，把G的参数固定住，单独训练分类器作为基准，对比SGAN，判别类别时取1~K类中的最大值作为类别，在不同的训练样本下情况如图（文献Table1）：

分类性能.png

参考资料

[1] Odena, Augustus. "Semi-supervised learning with generative adversarial networks." arXiv preprint arXiv:1606.01583 (2016).